CN114896517A - 一种商品推荐方法、系统、设备及存储介质 - Google Patents
一种商品推荐方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN114896517A CN114896517A CN202210582053.3A CN202210582053A CN114896517A CN 114896517 A CN114896517 A CN 114896517A CN 202210582053 A CN202210582053 A CN 202210582053A CN 114896517 A CN114896517 A CN 114896517A
- Authority
- CN
- China
- Prior art keywords
- commodity
- interaction
- category
- matrix
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
- G06Q30/0635—Processing of requisition or of purchase orders
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种商品推荐方法、系统、设备及存储介质,S1,构建目标用户‑商品交互矩阵和目标用户‑商品类别交互矩阵,进而分别构建两个交互矩阵的有向权图邻接矩阵;S2,将两个有向权图邻接矩阵分别依次经过图神经网络、注意力网络和门限循环神经网络处理,得到商品向量和商品类别向量,将商品向量和商品类别向量经过向量融合网络拼接得到最终向量;S3,将最终向量与所有候选商品进行计算得到得分排名,得到预测列表1;S4,获取多个用户最近的行为数据,构建多用户‑商品交互矩阵,将相似用户有交互行为的商品推荐给目标用户,得到推荐列表2;S5,将两个推荐列表线性组合得到最终推荐列表,将最终推荐列表中的商品推送给目标用户。
Description
技术领域
本发明属于推荐算法领域,涉及一种商品推荐方法、系统、设备及存储介质。
背景技术
近年来,随着云计算、大数据、物联网等技术的迅猛发展,互联网空间中各类应用的层出不穷引发了数据规模的爆炸式增长。大数据中蕴含着丰富的价值与巨大的潜力,将给人类社会带来变革性的发展,但同时也带来了严重的“信息过载”问题,如何快速有效地从纷繁复杂的数据中获取有价值的信息成为了当前大数据发展的关键难题。推荐系统作为解决“信息过载”问题的有效方法,已经成为学术界和工业界的关注热点并得到了广泛应用,形成了众多相关研究成果.推荐系统根据用户需求、兴趣等,通过推荐算法从海量数据中挖掘出用户感兴趣的商品(如信息、服务、商品等),并将结果以个性化列表的形式推荐给用户。目前,推荐系统在很多领域得到了成功应用,包括电子商务(如Amazon、eBay、Netflix、阿里巴巴等)、信息检索(如iGoogle、MyYahoo、百度等)、社交网络(Face-book、Twitter、腾讯等)、位置服务(如Foursquare、Yelp、大众点评等)、新闻推送(如GoogleNews、GroupLens、今日头条等)等各个领域.传统的推荐方法主要包括协同过滤、基于内容的推荐方法和混合推荐方法.其中,最经典的算法是协同过滤,如矩阵因子分解,其利用用户与商品之间的交互信息为用户进行推荐,协同过滤是目前应用最为广泛的推荐算法,近年来在Netflix大奖赛中屡获大奖,但是同时也遭遇到了严重的数据稀疏(一个用户评分过的商品仅仅占总商品数量的极少部分)和冷启动(新的用户和新的商品往往没有评分数据)问题。此外,经典的协同过滤方法采用浅层模型无法学习到用户和商品的深层次特征。基于内容的推荐方法利用用户已选择的商品来寻找其它类似属性的商品进行推荐,但是这种方法需要有效的特征提取,传统的浅层模型依赖于人工设计特征,其有效性及可扩展性非常有限,制约了基于内容的推荐方法的性能。随着互联网中越来越多的数据能够被感知获取,包括图像、文本、标签在内的多源异构数据蕴含着丰富的用户行为信息及个性化需求信息,融合多源异构辅助信息的混合推荐方法由于能够缓解传统推荐系统中的数据稀疏和冷启动问题,而越来越受到重视,但是由于辅助信息往往具有多模态、数据异构、大规模、数据稀疏和分布不均匀等复杂特征,融合多源异构数据的混合推荐方法研究依然面临着严峻的挑战。
深度学习在这几年已经成为互联网大数据和人工智能的一个热潮,深度学习在图像处理、自然语言理解和语音识别等领域取得了突破性进展,为推荐系统的研究带来了新的机遇。一方面,深度学习可通过学习一种深层次非线性网络结构,表征用户和商品相关的海量数据,具有强大的从样本中学习数据集本质特征的能力,能够获取用户和商品的深层次特征表示.另一方面,深度学习通过从多源异构数据中进行自动特征学习,从而将不同数据映射到一个相同的隐空间,能够获得数据的统一表征,在此基础上融合传统推荐方法进行推荐,能够有效利用多源异构数据,缓解传统推荐系统中的数据稀疏和冷启动问题。近三年来,基于深度学习的推荐系统研究开始受到国际学术界和工业界越来越多的关注。
综上可知,推荐算法目前面临着以下几点问题:第一,由于用户交互过的商品仅仅占总商品数量的极少部分,所以遭遇到了严重的数据稀疏问题;第二,由于新的用户和新的商品往往没有评分数据,所以存在冷启动问题。第三,传统推荐方法采用浅层模型无法学习到用户和商品的深层次特征。其有效性及可扩展性非常有限,制约了推荐系统的性能。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供一种商品推荐方法、系统、设备及存储介质,提高商品的个性化推荐精度,并缓解推荐系统存在的冷启动问题和矩阵稀疏问题。
为达到上述目的,本发明采用以下技术方案予以实现:
一种商品推荐方法,包括以下过程:
S1,构建目标用户-商品交互矩阵和目标用户-商品类别交互矩阵,进而分别构建商品交互有向权图邻接矩阵和商品类别交互有向权图邻接矩阵;
S2,将商品交互有向权图邻接矩阵和商品类别交互有向权图邻接矩阵分别依次经过图神经网络、注意力网络和门限循环神经网络处理,得到商品向量和商品类别向量,将商品向量和商品类别向量经过向量融合网络拼接得到最终向量;
S3,将最终向量与所有候选商品进行计算得到得分排名,得到预测列表Top-N1;
S4,获取多个用户最近的行为数据,构建多用户-商品交互矩阵,将相似用户有交互行为的商品推荐给目标用户,得到推荐列表Top-N2;
S5,将推荐列表Top-N1与Top-N2线性组合得到最终推荐列表Top-N,将最终推荐列表Top-N中的商品推送给目标用户。
优选的,S1中,目标用户-商品交互矩阵中的行代表用户1的交互行为,列代表项目1到项目7,目标用户-商品交互矩阵中的数值是用户1对项目i的交互行为,其中0表示没有交互,1表示点击浏览,2表示购买;商品交互有向权图中每个节点表示项目,每条有向边表示用户的交互行为。
优选的,S1中,目标用户-商品类别交互矩阵中的行代表用户1的交互行为,列代表项目的三个类别,目标用户-商品类别交互矩阵中的数值是用户1对项目类别i的交互行为,其中0表示没有交互,1表示点击浏览,2表示购买;商品类别交互有向权图中每个节点表示项目类别,每条边表示用户在与类别1交互之后与类别2交互。
优选的,S2中,通过图神经网络对商品交互有向权图邻接矩阵和商品类别交互有向权图邻接矩阵中的会话序列数据进行处理和学习,捕捉会话序列之间的空间结构信息和节点关系信息,得到拥有更多潜在信息的商品向量和商品类别向量。
优选的,S2中,注意力网络根据注意力机制对每个商品和商品类别赋予不同注意力权重,对最相关的商品赋予更多的权重,抽取出最关键的商品和类别信息,捕捉交互兴趣之间的依赖关系,从而获得整体的偏好。
优选的,S2中,门限循环神经网络对会话数据进行序列处理,获取会话点击项间的依赖关系与时序信息。
优选的,S4中,多用户-商品交互矩阵中以[0,1,2]作为交互区间,分别代表未交互,点击浏览和购买;使用基于用户的协同过滤,通过计算用户与其他用户之间的余弦相似度,获得用户相似性矩阵,将相似用户有交互行为的商品推荐给目标用户,根据用户注册的基本属性信息得到推荐列表Top-N2。
一种商品推荐系统,包括:
矩阵构建模块,用于构建目标用户-商品交互矩阵和目标用户-商品类别交互矩阵,进而分别构建商品交互有向权图邻接矩阵和商品类别交互有向权图邻接矩阵;
向量获取模块,用于将商品交互有向权图邻接矩阵和商品类别交互有向权图邻接矩阵分别依次经过图神经网络、注意力网络和门限循环神经网络处理,得到商品向量和商品类别向量,将商品向量和商品类别向量经过向量融合网络拼接得到最终向量;
第一预测列表获取模块,用于将最终向量与所有候选商品进行计算得到得分排名,得到预测列表Top-N1;
第二预测列表获取模块,用于获取多个用户最近的行为数据,构建多用户-商品交互矩阵,将相似用户有交互行为的商品推荐给目标用户,得到推荐列表Top-N2;
商品推送模块,用于将推荐列表Top-N1与Top-N2线性组合得到最终推荐列表Top-N,将最终推荐列表Top-N中的商品推送给目标用户。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述商品推荐方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述任意一项所述商品推荐方法的步骤。
与现有技术相比,本发明具有以下有益效果:
本发明针对传统推荐方法采用浅层模型无法学习到用户和商品的深层次特征问题,使用基于深度学习模型学习用户的显式反馈数据、隐式反馈数据、商品的显示反馈数据和隐式反馈数据,以及商品的类别数据。针对数据稀疏问题,使用擅长提取图结构的基于会话的图神经网络,使用图神经网络处理商品交互信息。通过多层图神经网络层对会话序列数据进行处理和学习,可以有效捕捉会话序列之间的空间结构信息和节点关系信息,缓解矩阵稀疏问题。针对冷启动问题,结合GRU与Attention在处理会话序列之间的优势和协同过滤强大的可解释性等优势可以有效解决冷启动问题。将深度学习与现有推荐方法结合,融合两种方法构建出推荐系统模块。目的在于解决个性化推荐精度不高问题、缓解推荐系统存在的冷启动问题和矩阵稀疏问题。
附图说明
图1为本发明的推荐算法结构图;
图2为注意力网络模型图;
图3为门限循环神经网络结构图;
图4为会话交互序列图;
图5为会话交互类别序列图;
图6为目标用户-商品交互矩阵。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例;基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,下面描述中使用的词语“前”、“后”、“左”、“右”、“上”和“下”指的是附图中的方向,词语“内”和“外”分别指的是朝向或远离特定部件几何中心的方向。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
如图1所示,为本发明所述的商品推荐方法,基于会话的推荐系统根据用户在某一段时间内对一系列的商品有过交互行为,将此交互序列信息作为模型的输入,模型对目标用户交互序列信息进行建模,预测目标用户可能感兴趣的商品,输出推荐列表。
Step1:首先将用户与商品的交互序列信息构建成目标用户-商品交互矩阵,将目标用户-商品交互矩阵转换成有向权图如图4所示,目标用户-商品交互矩阵中的行代表用户1的交互行为,列代表商品1到商品7,交互矩阵中的数值是用户1对商品i的交互行为,其中0表示没有交互,1表示点击浏览,2表示购买。有向权图中每个节点表示商品,每条有向边表示用户的交互行为。例如:用户1点击了商品3之后又点击了商品5和商品2,之后购买了商品1,继而又点击了商品4、商品6和商品7,又回头购买了点击过的商品2,最终点击了商品6以一个闭环结束了本次会话。
Step2:其次将用户与商品的交互序列类别信息构建成目标用户-商品类别交互矩阵,将目标用户-商品类别交互矩阵转换成有向权图如图5所示,目标用户-商品类别交互矩阵中的行代表用户1的交互行为,列代表商品的三个类别,目标用户-商品类别交互矩阵中的数值是用户1对商品类别i的交互行为,其中0表示没有交互,1表示点击浏览,2表示购买。图中每个节点表示商品类别,每条边表示用户在与类别1交互之后与类别2交互。交互矩阵中的行代表用户1的交互行为,列代表商品1到商品7。例如:用户1点击了类别2之后又连续点击了类别1,之后购买了类别2,继而又点击了类别3、类别2和类别1,又回头购买了点击过的类别1,最终点击了类别2以一个闭环结束了本次会话。
最后分别为目标用户-商品交互矩阵和目标用户-商品类别交互矩阵构建商品交互有向权图邻接矩阵和商品类别交互有向权图邻接矩阵,来存储有向权图数据,将邻接矩阵作为图神经网络的输入。
Step3:图神经网络擅长提取图结构等特征信息,所以使用图神经网络处理商品交互信息。将将商品交互有向权图邻接矩阵和商品类别交互有向权图邻接矩阵分别输入到两个图神经网络中。两个图神经网络分别获取商品节点之间的权值信息和商品类别节点之间的权值信息,通过图神经网络层对商品交互有向权图邻接矩阵和商品类别交互有向权图邻接矩阵中的会话序列数据进行处理和学习,可以捕捉会话序列之间的空间结构信息和节点关系信息,得到拥有更多潜在信息的商品向量Ii和商品类别向量Ti,将商品向量Ii和商品类别向量Ti作为注意力网络的输入。
Step4:如图2所示,注意力层用于自动学习会话的特征,使用注意力层可以促进模型做出更准确的判断。将图神经网络输出向量作为Attention层的输入,将商品向量Ii和商品类别向量Ti输入到注意力层中,根据注意力机制对每个商品和商品类别赋予不同注意力权重,对最相关的商品赋予更多的权重,抽取出最关键的商品和类别信息,捕捉交互兴趣之间的依赖关系,从而获得整体的偏好,将添加过权重信息的商品和商品类别向量作为门限循环神经网络的输入。
Step5:如图3所示,门限循环神经网络,即GRU网络,用于获取会话的前后商品信息特征提取。将添加过权重信息的商品和商品类别向量输入到GRU网络中,采用门控神经单元对会话数据进行序列处理,获取会话点击项间的依赖关系与时序信息。这样考虑了在与当前商品交互信息的同时,也考虑了之前交互的商品信息。更新门zt计算公式如公式(4-1)所示:重置门rt计算公式如式(4-2)所示:
zt=σ(WzAt+Uzht-1) (4-1)
rt=σ(WrAt+Urht-1) (4-2)
其中ht-1表示上一时刻的隐藏状态,rt表示重置门的值,zt表示更新门的值,At表示当前的输入,ht-1表示上一刻的隐藏状态,权重矩阵U用于控制记忆程度,表示输出。rt的值在0到1之间,当rt的值越接近于1时说明这一刻的输入信息与上一刻的记忆融合的越多,从而需要记住的就越多,当rt的值越接近于0时说明这一刻的输入信息与上一刻的记忆融合的越少,从而需要忘记的就越多。更新门zt的值用于选择性记忆的程度,把不相关的记忆删除,选择重要的记忆传下去。zt的值也在0到1之间,当zt的值越接近1时说明从上一时刻的带入的状态信息越多,记忆的越多。当zt的值越接近0时说明从上一时刻的带入的状态信息越少,删除的不相关记忆越多。将通过门限循环神经网络得到的商品向量和商品类别向量做为向量融合网络的输入。
Step6:通过向量融合网络将商品向量和商品类别向量进行拼接得到最终向量Vi,将商品类别作为商品的多粒度辅助信息。
Step7:获取多个用户最近的行为数据,构建多用户-商品交互矩阵如图6所示:该矩阵以[0,1,2]作为交互区间,分别代表未交互,点击浏览和购买。使用基于用户的协同过滤,通过计算用户与其他用户之间的余弦相似度,获得用户相似性矩阵,将相似用户有交互行为的商品推荐给目标用户,根据用户注册的基本属性信息得到推荐列表Top-N2。
例如:用户U1和U5属于相似用户,用户U5没有交互行为,将U1点击浏览过的互过的商品I1和购买过的商品I5推荐给U5。
Step8:将最终向量Vi与所有候选商品进行计算得到得分排名,经过softmax激活函数得到对会话的预测输出,使用交叉熵函数作为损失函数评估预测输出与真实值的不一致程度,最终得到模型的预测列表Top-N1。
Step9:将Top-N1与Top-N2线性组合得到最终推荐列表Top-N,将最终推荐列表Top-N中的商品推送给目标用户。
为了评估提出基于会话的多粒度图神经网络结合协同过滤推荐模型的推荐性能,将与基线模型进行比较,分别取消协同过滤、注意力机制和GRU,通过消融实验来验证该模型的有效性。使用RecBole中的以下模型作为基线模型:
(1)ItemKNN(2004):基于商品的top-N推荐算法,该模型用于计算商品之间相似性的方法,组合这些相似性以计算商品和候选推荐商品之间的相似性的方法。
(2)Improved-GRU-Rec(2016):基于改进RNN的基于会话的推荐模型,该模型采用数据增强和一种解释输入数据分布变化的方法,捕获用户的当前兴趣。
(3)NGCF(2019):图神经网络协同过滤,该模型使用目标用户-商品交互二分图结构建模,利用图结构高阶连通性的表达,以显式方式将协作信号注入到嵌入过程中。
(4)SRGNN(2019):基于会话的图神经网络的推荐,使用图神经网络结合自注意力机制来完成基于会话的推荐任务。使用图结构数据使用存储绘画序列。GNN捕获商品的复杂转换,然后使用注意力网络将每个会话表示为全局偏好和该会话当前兴趣的组合。
(1)SMGNN-CF与基线方法的比较
SMGNN-CF与其他推荐模型Item-KNN、NGCF、Improved-GRU-Rec)、SR-GNN和GCSAN在Yochoose数据集进行对比试验,实验结果性能比较如表1所示:
表1对比实验结果
Item-KNN因为只使用传统的协同过滤算法,只能通过浅层特征进行推荐。所以推荐效果最差。将GNN和协同过滤应用NGCF后,NGCF的P@20和MRR@20都高于Item-KNN。验证了神经网络对于学习更好的用户和商品表示的重要性。在Improved-GRU-Rec模型中使用了循环神经网络RNN,该模型根据会话的时序信息进行推荐,Improved-GRU-Rec相较于Item-KNN和NGCF的效果更优。在SR-GNN中使用GNN捕获商品的节点复杂转换,使用注意力网络将每个会话表示为全局偏好和该会话当前兴趣,相比较前三个推荐模型,SR-GNN的效果更优。本文提出的SMGNN-CF采用图神经网络、注意力网络、门限循环神经网络结合传统的协同过滤。使用图神经网络学习图结构的每个节点的复杂变化,注意力网络来获取捕捉交互兴趣之间的依赖关系,门限循环神经网络形成当前会话的优先级,根据会话的时序性信息与会话间依赖性来进行推荐。从实验可以看出本文提出的SMGNN-CF比其他四种模型推荐效果更好。
(2)消融实验对SMGNN-CF模型推荐效果的影响
本实验设计了消融实验对SMGNN-CF中各模块的性能进行分析,在Yochoose数据集上进行试验,验证传统协同过滤层、类别图神经网络层、GRU层与注意力层对实验结果的影响,实验结果如表2所示。
表2消融实验对模型的影响
由表2结果可以看出,SMGNN-CF去掉CF层后,模型的推荐效果降低了8%左右,说明传统的协同过滤可以提升推荐效果。模型去掉商品类别图神经网络后,模型的推荐效果降低了5%,说明商品类别作为推荐的粗粒度辅助信息是可以提升推荐效果的。模型去掉Attention层后,模型的推荐效果下降了11%,说明注意力机制可以捕捉到会话序列之间的兴趣依赖,从而可以提升推荐效果。模型去掉GRU层后,模型的推荐效果下降最明显,降低了21%,说明GRU网络可以对模型的影响最大,模型的推荐效果在很大程度上依赖着GRU网络,也说明GRU网络在处理会话序列任务中最有效。消融实验的结果表明本文提出的模型结合传统协同过滤、GRU网络与Attention可以有效的提高该推荐算法的效果,缓解了数据稀疏和冷启动问题。
本模型克服了以下几点问题:第一,利用图神经网络对用户交互数据进行处理,学习更加抽象、更加稠密的用户和商品的深层次表示隐向量。缓解了浅层模型无法学习到用户和商品的深层次特征问题和数据稀疏问题。第二,利用深度学习与传统推荐算法相结合缓解了冷启动问题。总体提高了推荐效果。
本推荐方法可以应用到各大电商网站、音乐视频网站和社交网络中。第一,通过推荐算法更好的挖掘用户深层的兴趣需求,准确触达用户的兴趣点,从而带来更精准的商品推荐。推荐系统通过精准地为用户推荐感兴趣的商品,提升商品在对其感兴趣的用户的曝光度,也可以让更多的冷门但优质的商品得到曝光的机会,从而促进该商品的销售。推荐系统可以让商品得到更高效率的分发,提升整个平台的运营效率,有效节省公司资源。第二,为商家提供软件服务,如数据分析、个性化商品推荐,通过高效的分发商品,将商品推荐到对它有购买意愿的用户眼前,促进商品的售卖,从而从商家获取更多的分成。
下述为本发明的装置实施例,可以用于执行本发明方法实施例。对于装置实施例中未纰漏的细节,请参照本发明方法实施例。
本发明再一个实施例中,提供了一种商品推荐系统,该商品推荐系统可以用于实现上述商品推荐方法,具体的,该商品推荐系统包括矩阵构建模块、向量获取模块、第一预测列表获取模块、第二预测列表获取模块以及商品推送模块。
其中,矩阵构建模块用于构建目标用户-商品交互矩阵和目标用户-商品类别交互矩阵,进而分别构建商品交互有向权图邻接矩阵和商品类别交互有向权图邻接矩阵。
向量获取模块用于将商品交互有向权图邻接矩阵和商品类别交互有向权图邻接矩阵分别依次经过图神经网络、注意力网络和门限循环神经网络处理,得到商品向量和商品类别向量,将商品向量和商品类别向量经过向量融合网络拼接得到最终向量。
第一预测列表获取模块用于将最终向量Vi与所有候选商品进行计算得到得分排名,得到预测列表Top-N1;
第二预测列表获取模块用于获取多个用户最近的行为数据,构建多用户-商品交互矩阵,将相似用户有交互行为的商品推荐给目标用户,得到推荐列表Top-N2。
商品推送模块用于将推荐列表Top-N1与Top-N2线性组合得到最终推荐列表Top-N,将最终推荐列表Top-N中的商品推送给目标用户。
本发明再一个实施例中,提供了一种终端设备,该终端设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可以用于商品推荐方法的操作,包括:S1,构建目标用户-商品交互矩阵和目标用户-商品类别交互矩阵,进而分别构建商品交互有向权图邻接矩阵和商品类别交互有向权图邻接矩阵;S2,将商品交互有向权图邻接矩阵和商品类别交互有向权图邻接矩阵分别依次经过图神经网络、注意力网络和门限循环神经网络处理,得到商品向量和商品类别向量,将商品向量和商品类别向量经过向量融合网络拼接得到最终向量;S3,将最终向量与所有候选商品进行计算得到得分排名,得到预测列表Top-N1;S4,获取多个用户最近的行为数据,构建多用户-商品交互矩阵,将相似用户有交互行为的商品推荐给目标用户,得到推荐列表Top-N2;S5,将推荐列表Top-N1与Top-N2线性组合得到最终推荐列表Top-N,将最终推荐列表Top-N中的商品推送给目标用户。
再一个实施例中,本发明还提供了一种计算机可读存储介质(Memory),所述计算机可读存储介质是终端设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括终端设备中的内置存储介质,当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM存储器,也可以是非不稳定的存储器(non-volatilememory),例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中有关商品推荐方法的相应步骤;计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤:S1,构建目标用户-商品交互矩阵和目标用户-商品类别交互矩阵,进而分别构建商品交互有向权图邻接矩阵和商品类别交互有向权图邻接矩阵;S2,将商品交互有向权图邻接矩阵和商品类别交互有向权图邻接矩阵分别依次经过图神经网络、注意力网络和门限循环神经网络处理,得到商品向量和商品类别向量,将商品向量和商品类别向量经过向量融合网络拼接得到最终向量;S3,将最终向量与所有候选商品进行计算得到得分排名,得到预测列表Top-N1;S4,获取多个用户最近的行为数据,构建多用户-商品交互矩阵,将相似用户有交互行为的商品推荐给目标用户,得到推荐列表Top-N2;S5,将推荐列表Top-N1与Top-N2线性组合得到最终推荐列表Top-N,将最终推荐列表Top-N中的商品推送给目标用户。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
应该理解,以上描述是为了进行图示说明而不是为了进行限制。通过阅读上述描述,在所提供的示例之外的许多实施例和许多应用对本领域技术人员来说都将是显而易见的。因此,本教导的范围不应该参照上述描述来确定,而是应该参照前述权利要求以及这些权利要求所拥有的等价物的全部范围来确定。出于全面之目的,所有文章和参考包括专利申请和公告的公开都通过参考结合在本文中。在前述权利要求中省略这里公开的主题的任何方面并不是为了放弃该主题内容,也不应该认为申请人没有将该主题考虑为所公开的发明主题的一部分。
Claims (10)
1.一种商品推荐方法,其特征在于,包括以下过程:
S1,构建目标用户-商品交互矩阵和目标用户-商品类别交互矩阵,进而分别构建商品交互有向权图邻接矩阵和商品类别交互有向权图邻接矩阵;
S2,将商品交互有向权图邻接矩阵和商品类别交互有向权图邻接矩阵分别依次经过图神经网络、注意力网络和门限循环神经网络处理,得到商品向量和商品类别向量,将商品向量和商品类别向量经过向量融合网络拼接得到最终向量;
S3,将最终向量与所有候选商品进行计算得到得分排名,得到预测列表Top-N1;
S4,获取多个用户最近的行为数据,构建多用户-商品交互矩阵,将相似用户有交互行为的商品推荐给目标用户,得到推荐列表Top-N2;
S5,将推荐列表Top-N1与Top-N2线性组合得到最终推荐列表Top-N,将最终推荐列表Top-N中的商品推送给目标用户。
2.根据权利要求1所述的商品推荐方法,其特征在于,S1中,目标用户-商品交互矩阵中的行代表用户1的交互行为,列代表项目1到项目7,目标用户-商品交互矩阵中的数值是用户1对项目i的交互行为,其中0表示没有交互,1表示点击浏览,2表示购买;商品交互有向权图中每个节点表示项目,每条有向边表示用户的交互行为。
3.根据权利要求1所述的商品推荐方法,其特征在于,S1中,目标用户-商品类别交互矩阵中的行代表用户1的交互行为,列代表项目的三个类别,目标用户-商品类别交互矩阵中的数值是用户1对项目类别i的交互行为,其中0表示没有交互,1表示点击浏览,2表示购买;商品类别交互有向权图中每个节点表示项目类别,每条边表示用户在与类别1交互之后与类别2交互。
4.根据权利要求1所述的商品推荐方法,其特征在于,S2中,通过图神经网络对商品交互有向权图邻接矩阵和商品类别交互有向权图邻接矩阵中的会话序列数据进行处理和学习,捕捉会话序列之间的空间结构信息和节点关系信息,得到拥有更多潜在信息的商品向量和商品类别向量。
5.根据权利要求1所述的商品推荐方法,其特征在于,S2中,注意力网络根据注意力机制对每个商品和商品类别赋予不同注意力权重,对最相关的商品赋予更多的权重,抽取出最关键的商品和类别信息,捕捉交互兴趣之间的依赖关系,从而获得整体的偏好。
6.根据权利要求1所述的商品推荐方法,其特征在于,S2中,门限循环神经网络对会话数据进行序列处理,获取会话点击项间的依赖关系与时序信息。
7.根据权利要求1所述的商品推荐方法,其特征在于,S4中,多用户-商品交互矩阵中以[0,1,2]作为交互区间,分别代表未交互,点击浏览和购买;使用基于用户的协同过滤,通过计算用户与其他用户之间的余弦相似度,获得用户相似性矩阵,将相似用户有交互行为的商品推荐给目标用户,根据用户注册的基本属性信息得到推荐列表Top-N2。
8.一种商品推荐系统,其特征在于,包括:
矩阵构建模块,用于构建目标用户-商品交互矩阵和目标用户-商品类别交互矩阵,进而分别构建商品交互有向权图邻接矩阵和商品类别交互有向权图邻接矩阵;
向量获取模块,用于将商品交互有向权图邻接矩阵和商品类别交互有向权图邻接矩阵分别依次经过图神经网络、注意力网络和门限循环神经网络处理,得到商品向量和商品类别向量,将商品向量和商品类别向量经过向量融合网络拼接得到最终向量;
第一预测列表获取模块,用于将最终向量与所有候选商品进行计算得到得分排名,得到预测列表Top-N1;
第二预测列表获取模块,用于获取多个用户最近的行为数据,构建多用户-商品交互矩阵,将相似用户有交互行为的商品推荐给目标用户,得到推荐列表Top-N2;
商品推送模块,用于将推荐列表Top-N1与Top-N2线性组合得到最终推荐列表Top-N,将最终推荐列表Top-N中的商品推送给目标用户。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述商品推荐方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述商品推荐方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210582053.3A CN114896517A (zh) | 2022-05-26 | 2022-05-26 | 一种商品推荐方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210582053.3A CN114896517A (zh) | 2022-05-26 | 2022-05-26 | 一种商品推荐方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114896517A true CN114896517A (zh) | 2022-08-12 |
Family
ID=82725416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210582053.3A Pending CN114896517A (zh) | 2022-05-26 | 2022-05-26 | 一种商品推荐方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114896517A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222461A (zh) * | 2022-09-19 | 2022-10-21 | 杭州数立信息技术有限公司 | 一种智能营销精准推荐方法 |
CN116542252A (zh) * | 2023-07-07 | 2023-08-04 | 北京营加品牌管理有限公司 | 一种金融文本核查方法及系统 |
CN117290398A (zh) * | 2023-09-27 | 2023-12-26 | 广东科学技术职业学院 | 一种基于大数据的课程推荐方法及装置 |
CN117633165A (zh) * | 2023-10-20 | 2024-03-01 | 广州天晟网络信息有限公司 | 一种智能ai客服对话引导方法 |
-
2022
- 2022-05-26 CN CN202210582053.3A patent/CN114896517A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115222461A (zh) * | 2022-09-19 | 2022-10-21 | 杭州数立信息技术有限公司 | 一种智能营销精准推荐方法 |
CN115222461B (zh) * | 2022-09-19 | 2023-01-10 | 杭州数立信息技术有限公司 | 一种智能营销精准推荐方法 |
CN116542252A (zh) * | 2023-07-07 | 2023-08-04 | 北京营加品牌管理有限公司 | 一种金融文本核查方法及系统 |
CN116542252B (zh) * | 2023-07-07 | 2023-09-29 | 北京营加品牌管理有限公司 | 一种金融文本核查方法及系统 |
CN117290398A (zh) * | 2023-09-27 | 2023-12-26 | 广东科学技术职业学院 | 一种基于大数据的课程推荐方法及装置 |
CN117633165A (zh) * | 2023-10-20 | 2024-03-01 | 广州天晟网络信息有限公司 | 一种智能ai客服对话引导方法 |
CN117633165B (zh) * | 2023-10-20 | 2024-05-31 | 广州天晟网络信息有限公司 | 一种智能ai客服对话引导方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220198289A1 (en) | Recommendation model training method, selection probability prediction method, and apparatus | |
CN111784455B (zh) | 一种物品推荐方法及推荐设备 | |
CN114896517A (zh) | 一种商品推荐方法、系统、设备及存储介质 | |
Liu et al. | Gated recurrent units based neural network for time heterogeneous feedback recommendation | |
CN111815415A (zh) | 一种商品推荐方法、系统及设备 | |
CN109993583B (zh) | 信息推送方法和装置、存储介质及电子装置 | |
CN109145193A (zh) | 一种信息推送方法及系统 | |
CN111506820A (zh) | 推荐模型、方法、装置、设备及存储介质 | |
Zhang et al. | Recurrent convolutional neural network for session-based recommendation | |
CN113837842A (zh) | 一种基于用户行为数据的商品推荐方法及设备 | |
Fakhfakh et al. | Deep learning-based recommendation: Current issues and challenges | |
CN116562992B (zh) | 一种建模用户新兴趣不确定性的物品推荐方法、装置及介质 | |
CN101957825A (zh) | 基于网页中图像、视频内容的图像搜索方法 | |
CN117217284A (zh) | 一种数据处理方法及其装置 | |
Lu et al. | Multi-trends enhanced dynamic micro-video recommendation | |
Salampasis et al. | Comparison of RNN and Embeddings Methods for Next-item and Last-basket Session-based Recommendations | |
CN116823410A (zh) | 数据处理方法、对象处理方法、推荐方法及计算设备 | |
CN117076763A (zh) | 基于超图学习的会话推荐方法、装置、电子设备及介质 | |
CN115618126A (zh) | 搜索处理方法、系统、计算机可读存储介质及计算机设备 | |
CN116186413A (zh) | 一种用于多模态特征推荐的方法和系统 | |
CN115293812A (zh) | 一种基于长短期兴趣的电商平台会话感知推荐预测方法 | |
CN114861079A (zh) | 一种融合商品特征的协同过滤推荐方法和系统 | |
Shi et al. | Predicting the next scenic spot a user will browse on a tourism website based on markov prediction model | |
CN110928920B (zh) | 一种基于改进位置社交的知识推荐方法、系统及存储介质 | |
JP2019020939A (ja) | 情報処理システム、情報処理方法、およびプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |